深入浅出深度学习原理剖析与Python实践.pdf
http://www.100md.com
2020年11月9日
 |
| 第1页 |
 |
| 第9页 |
 |
| 第18页 |
 |
| 第24页 |
 |
| 第45页 |
 |
| 第322页 |
参见附件(94549KB，356页)。
深入浅出深度学习原理剖析与Python实践的特色在于取舍明确，一切无助于迅速理解深度学习精髓的内容全被摒弃了，并着重阐述了技术上的重点和难点；表达上深入浅出：即便是从未接触过AI知识的人，也能从作者简明清晰的表述中，一窥深度学习。
内容简介
《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和至优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。
《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的后面都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中和查看《深入浅出深度学习：原理剖析与Python实践》的代码(https://github.com/innovation-cat/DeepLearningBook)。
作者简介
黄安埠，2012年毕业于清华大学，获硕士学位，在校期间活跃于TopCoder等编程竞赛社区。现为腾讯基础研究高级工程师，研究领域包括个性化推荐、自然语言处理和大规模的相似度优化计算，特别是对于深度学习在推荐系统的应用有深入的研究，并申请了国内十余项相关专利。
本书结构
第1部分是概要，共分为两章。第1章主要阐述了深度学习、人工智能相关的背景，深度学习的原理，以及当前流行的深度学习框架对比；第2章介绍了深度学习框架Theano的使用，着重对Theano的基础知识和编程范式进行了讲解。
第2部分是与深度学习相关的数学和机器学习方面的基础知识，共分为5章。第3章介绍线性代数基础知识；第4章介绍了概率论和数理统计相关的知识；第5章介绍概率图模型，包括贝叶斯网络和马尔科夫网络的原理；第6章简要回顾机器学习的基础知识，并介绍机器学习模型与深度学习模型之间的联系；第7章，深入分析几种常用的机器学习最优化方法，包括具有一阶收敛速度的梯度下降法和共轭梯度法，以及具有二阶收敛速度的牛顿法和拟牛顿法。
第3部分介绍了各种常见的深度学习模型，包括一系列的深度学习模型理论及其应用，本部分共分为6章。第8章介绍全连接前馈神经网络，包括网络结构和激活函数的相关知识；第9章将深入分析反向传播算法，以及梯度消失问题。梯度消失也是深度神经网络训练的一大难点，我们将介绍当前有效解决深度网络训练中过拟合和欠拟合的常见技巧，包括Batch Normalization、残差网络、Dropout等；第10章介绍本书的第一种无监督网络模型：自编码器及其变种模型；第11章介绍一种深度概率图模型-受限玻尔兹曼机，与自编码器一样，受限玻尔兹曼机也是一种常见的无监督网络模型，最后介绍如何将受限玻尔兹曼机应用于个性化推荐领域中；第12章，将介绍一种应用非常广泛的网络结构--递归神经网络，深人分析递归网络的结构及其变形网络，如LSTM.GRU等，并以语言模型为例，介绍递归神经网络在自然语言处理中的应用；第13章介绍另一种常见的模型结构：卷积神经网络，包括卷积网络的卷积层和池化层结构设计，以及其在文本分类中的应用。
人工智能、机器学习与深度学习的关系
人工智能、机器学习和深度学习是当前机器智能领域最热门的三个词汇，很多人甚至将三者看成是一种等价的关系，例如在2016年3月，当Google Deepmind的AlphaGo击败了韩国围棋大师李世石九段后，媒体在报道时就混杂使用了人工智能、机器学习和深度学习等多种术语。事实上，这三者之间既有一定的联系，但也有明显的区别。要正确理解深度学习的概念，首先应该了解人工智能、机器学习与深度学习这三者之间的关系。
要理解三者之间的关系，可以通过同心圆来可视化表示三者的关系。最外面的圆环代表人工智能，里面一层表示机器学习，人工神经网络和深度学习处于中心位置，也可以简单理解为机器学习是人工智能的一个分支，而深度学习则是一种特殊的机器学习实现方法
深入浅出深度学习原理剖析与Python实践截图
您现在查看是摘要介绍页， 详见PDF附件(94549KB，356页)。